Mila > Les membres de Mila se démarquent à la Conférence internationale sur l’apprentissage automatique (ICML) 2021
21 Juin 2021

Les membres de Mila se démarquent à la Conférence internationale sur l’apprentissage automatique (ICML) 2021

/
Tags

Le mois prochain, les chercheurs et chercheuses de Mila présenteront leurs travaux en grand nombre à l’occasion de la 38e Conférence internationale sur l’apprentissage automatique («International Conference on Machine Learning»). Cet événement annuel, qui se déroulera en ligne du 18 au 24 juillet, attire certains des esprits les plus brillants de la communauté de recherche sur l’apprentissage automatique.

Parmi les 5 513 soumissions de cette année, 1 184 publications ont été acceptées (21,5 %). De ce chiffre, 30 ont été co-rédigées par des membres de Mila.

Les travaux présentés par les chercheurs et chercheuses de Mila couvrent un large éventail de sujets et soulignent le potentiel de vaste portée des applications d’apprentissage automatique dans plusieurs domaines tels que la santé, la physique chimique et même l’industrie aérienne.

Ainsi, dans « Structured Convolutional Kernel Networks for Airline Crew Scheduling », le membre académique principal de Mila, Simon Lacoste-Julien, ainsi que ses collègues, présentent un tout nouveau modèle de prévision structurée : Structured convolutional kernel networks (Struct-CKN). Les premiers résultats où Struct-CKN s’est vu appliqué à un ensemble de données portant sur des vols avec correspondance révèlent qu’il peut être affiné pour améliorer le mode d’affectation des équipages d’une compagnie aérienne.

Jian Tang, qui est membre du corps professoral, ainsi que son équipe, ont conçu Local-instance and Global-semantic Learning (GraphLoG), un cadre unifié pour l’apprentissage auto-supervisé de la représentation de graphes entiers, proposant des prototypes hiérarchiques pour capturer les groupes sémantiques globaux. Leurs expériences vérifiées menées sur des ensembles de données de référence chimiques et biologiques démontrent l’efficacité de la méthode avec des implications potentielles pour de nombreuses tâches telles que la prévision des propriétés des molécules dans la découverte de médicaments et de matériaux.

À l’autre bout du spectre, dans « Continuous Coordination As a Realistic Scenario for Lifelong Learning », les professeurs universitaires de Mila Sarath Chandar et Aaron Courville, ainsi que le stagiaire de recherche Hadi Nekoei et l’étudiant à la maîtrise Akilesh Badrinaaraayanan, présentent Lifelong Hanabi : un banc de test d’apprentissage par renforcement multi-agent continu où chaque tâche est coordonnée avec un partenaire qui est un joueur expérimenté de Hanabi.

Voici la liste complète des publications acceptées, ainsi qu’un aperçu des ateliers et travaux dirigés co-rédigés et co-organisés par les membres de notre communauté :

Travaux dirigés

Continual learning with deep architectures
Vincenzo Lomonaco, Irina Rish
https://icml.cc/Conferences/2021/Schedule?showEvent=10833

Random Matrix Theory and ML (RMT+ML)
Fabian Pedregosa, Jeffrey Pennington, Thomas Trogdon, Courtney Paquette
https://icml.cc/Conferences/2021/Schedule?showEvent=10840

Orale

Directional Graph Networks
Dominique Beaini, Saro Passaro, Vincent Létourneau, Will Hamilton, Gabriele Corso, Pietro Lió
https://arxiv.org/abs/2010.02863

Can Subnetwork Structure Be the Key to Out-of-Distribution Generalization?
Dinghuai Zhang, Kartik Ahuja, Yilun Xu, Yisen Wang, Aaron Courville
https://arxiv.org/pdf/2106.02890.pdf

Out-of-Distribution Generalization via Risk Extrapolation (REx)
David Krueger, Ethan Caballero, Joern-Henrik Jacobsen, Amy Zhang, Jonathan Binas, Dinghuai Zhang, Rémi Le Priol, Aaron Courville
https://arxiv.org/abs/2003.00688

Learning Gradient Fields for Molecular Conformation Generation
Chence Shi, Shitong Luo, Minkai Xu, Jian Tang
https://arxiv.org/abs/2105.03902

On Disentangled Representations Learned from Correlated Data
Frederik Träuble, Elliot Creager, Niki Kilbertus, Francesco Locatello, Andrea Dittadi, Anirudh Goyal, Bernhard Schölkopf, Stefan Bauer
https://arxiv.org/abs/2006.07886

RNN with Particle Flow for Probabilistic Spatio-temporal Forecasting
Soumyasundar Pal, Liheng Ma, Yingxue Zhang, Mark Coates 
https://arxiv.org/abs/2106.06064

Spotlight

Aggregating from Multiple Target-Shifted Sources
Changjian Shui, Zijian Li, Jiaqi Li, Christian Gagné, Charles X. Ling, Boyu Wang
https://arxiv.org/abs/2105.04051

Continuous Coordination As a Realistic Scenario For Lifelong Learning
Hadi Nekoei, Akilesh Badrinaaraayanan, Aaron Courville, Sarath Chandar
https://arxiv.org/abs/2103.03216

Diffusion Earth Mover’s Distance and Distribution Embeddings
Alexander Tong, Guillaume Huguet, Amine Natik, Kincaid MacDonald, Manik Kuchroo, Ronald Coifman, Guy Wolf, Smita Krishnaswamy
https://arxiv.org/abs/2102.12833

Learning a Universal Template for Few-shot Dataset Generalization
Eleni Triantafillou, Hugo Larochelle, Richard Zemel, Vincent Dumoulin
https://arxiv.org/abs/2105.07029

Self-supervised Graph-level Representation Learning with Local and Global Structure
Minghao Xu, Hang Wang, Bingbing Ni, Hongyu Guo, Jian Tang
https://arxiv.org/pdf/2106.04113.pdf

Affine Invariant Analysis of Frank-Wolfe on Strongly Convex Sets
Thomas Kerdreux, Lewis Liu, Simon Lacoste-Julien, Damien Scieur
https://arxiv.org/abs/2011.03351

Infinite-Dimensional Optimization for Zero-Sum Games via Variational Transport
Lewis Liu, Yufeng Zhang, Zhuoran Yang, Reza Babanezhad, Zhaoran Wang
https://opt-ml.org/papers/2020/paper_92.pdf

Simultaneous Similarity-based Self-Distillation for Deep Metric Learning
Karsten Roth, Timo Milbich, Bjorn Ommer, Joseph Paul Cohen, Marzyeh Ghassemi
https://arxiv.org/abs/2009.08348

Structured Convolutional Kernel Networks for Airline Crew Scheduling
Yassine Yaakoubi, François Soumis, Simon Lacoste-Julien 
https://arxiv.org/abs/2105.11646

An End-to-End Framework for Molecular Conformation Generation via Bilevel Programming
Minkai Xu, Wujie Wang, Shitong Luo, Chence Shi, Yoshua Bengio, Rafael Gomez-Bombarelli, Jian Tang
https://arxiv.org/abs/2105.07246

Catastrophic Fisher Explosion: Early Phase Fisher Matrix Impacts Generalization
Stanislaw Jastrzebski, Devansh Arpit, Oliver Astrand, Giancarlo Kerg, Huan Wang, Caiming Xiong, Richard Socher, Kyunghyun Cho, Krzysztof J Geras
https://arxiv.org/abs/2012.14193

Preferential Temporal Difference Learning
Nishanth Anand, Doina Precup
https://arxiv.org/abs/2106.06508

Exploration in Approximate Hyper-State Space for Meta Reinforcement Learning
Luisa Zintgraf, Leo Feng, Cong Lu, Maximilian Igl, Kristian Hartikainen, Katja Hofmann, Shimon Whiteson
https://arxiv.org/abs/2010.01062

Equivariant Networks for Pixelized Spheres
Mehran Shakerinava, Siamak Ravanbakhsh

OptiDICE: Offline Policy Optimization via Stationary Distribution Correction Estimation
Jongmin Lee, Wonseok Jeon, Byung-Jun Lee, Joelle Pineau, Kee-Eung Kim

Beyond Variance Reduction: Understanding the True Impact of Baselines on Policy Optimization
Wesley Chung, Valentin Thomas, Marlos C. Machado, Nicolas Le Roux 
https://arxiv.org/abs/2008.13773

Randomized Exploration in Reinforcement Learning with General Value Function Approximation
Haque Ishfaq, Qiwen Cui, Alex Ayoub, Viet Nguyen, Zhuoran Yang, Zhaoran Wang, Doina Precup, Lin Yang

Locally Persistent Exploration in Continuous Control Tasks with Sparse Rewards
Susan Amin, Maziar Gomrokchi, Hossein Aboutalebi, Harsh Satija, Doina Precup 
https://arxiv.org/abs/2012.13658

Non-Autoregressive Electron Redistribution Modeling for Reaction Prediction
Hangrui Bi, Hengyi Wang, Chence Shi, Connor Coley, Jian Tang, Hongyu Guo
https://icml.cc/Conferences/2021/ScheduleMultitrack?event=9427

Trajectory Diversity for Zero-Shot Coordination
Andrei Lupu, Brandon Cui, Hengyuan Hu, Jakob Foerster
https://icml.cc/Conferences/2021/ScheduleMultitrack?event=9434

Multi-Task Reinforcement Learning with Context-based Representations
Shagun Sodhani, Amy Zhang, Joelle Pineau
https://arxiv.org/pdf/2102.06177.pdf

Robust Representation Learning via Perceptual Similarity Metrics
Saeid A Taghanaki, Kristy Choi, Amir Hosein Khasahmadi, Anirudh Goyal 

Vector Quantized Models for Planning
Sherjil Ozair, Yazhe Li, Ali Razavi, Ioannis Antonoglou, Aäron van den Oord, Oriol Vinyals 
https://arxiv.org/abs/2106.04615

Efficient Deviation Types and Learning for Hindsight Rationality in Extensive-Form Games
Dustin Morrill, Ryan D’Orazio, Marc Lanctot, James Wright, Michael Bowling, Amy Greenwald 
https://arxiv.org/abs/2102.06973

A Deep Reinforcement Learning Approach to Marginalized Importance Sampling with the Successor Representation
Scott Fujimoto, David Meger, Doina Precup

Ateliers

Tackling Climate Change with Machine Learning
Hari Prasanna Das, Meareg Hailemariam, Katarzyna Tokarska, Maria João Sousa, David Rolnick, Xiaoxiang Zhu, Yoshua Bengio
Workshop Home Page

Unsupervised Reinforcement Learning
Feryal Behbahani, Joelle Pineau, Lerrel Pinto, Roberta Raileanu, Aravind Srinivas, Denis Yarats, Amy Zhang
Workshop Home Page

INNF+: Invertible Neural Networks, Normalizing Flows, and Explicit Likelihood Models
Chin-Wei Huang, David Krueger, Rianne Van den Berg, George Papamakarios, Tian Qi Chen, Danilo J. Rezende
Workshop Home Page

Theory and Foundation of Continual Learning
Thang Doan, Bogdan Mazoure, Amal Rannen Triki, Rahaf Aljundi, Vincenzo Lomonaco, Xu He, Arslan Chaudhry
Workshop Home Page

Women in Machine Learning virtual Un-workshop
Wenshuo Guo, Amy Zhang, Nezihe Merve Gürel, Audrey Durand, Ehi Nosakhare, Christina Papadimitriou, Sarah Poole, Tatjana Chavdarova
Workshop Home Page

array(1) { ["wp-wpml_current_language"]=> string(2) "fr" }